知识卡片：多模态经验贝叶斯变分自编码器用于联合纵向与事件时间建模

英文标题： Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling
英文关键词： Empirical Bayes, Variational Autoencoder, Longitudinal Data, Time-to-Event, Pharmacometrics, Tumor Growth, Informative Dropout, Genomic Covariates

一句话结论

本文扩展了经验贝叶斯变分自编码器（EB-VAE）框架，使其能够同时建模纵向肿瘤体积轨迹和脱落（dropout）事件时间，并通过基因条件先验整合高维基因组协变量，在黑色素瘤和乳腺癌实验中验证了混合半机械解码器在参数可解释性上的优势。

事件概述或研究问题

在肿瘤治疗反应建模中，纵向肿瘤测量、脱落信息（丢失原因可能与疗效相关）和遗传协变量提供了互补信息，但如何将这些异构数据源整合到统一的群体模型中仍面临挑战。现有非线性混合效应模型（NLME）可解释但扩展性有限，而纯神经方法缺乏机制约束。本文旨在构建一个灵活的概率框架，同时处理：

个体间异质性的表示（通过潜在个体效应）
信息性脱落（通过危险模型）
高维基因组协变量的融入（通过条件经验贝叶斯先验）

方法/产品要点

框架基础：以EB-VAE为核心，使用编码器-解码器结构。潜在个体效应受协变量条件经验贝叶斯先验正则化，解码器将其映射到肿瘤体积轨迹。
信息性脱落建模：解码器增广了一个危险模型，共同输出肿瘤体积生长和脱落时间，实现联合预测。
解码器对比：比较了全神经解码器与混合半机械解码器。混合解码器将已知的肿瘤生长动力学方程（待核实具体方程）嵌入神经网络，保留部分参数的物理意义。
基因组协变量融合：通过基因条件先验适配（genetics-conditioned prior adaptation），将高维基因特征（如突变状态）注入潜在先验分布，实现个体化先验。
稳定选择：用于识别与治疗反应相关的基因指标，输出生物可解释的候选标志物。

主要结果或产业意义

混合解码器恢复的治疗效应参数与先前发表的NLME估计广泛一致，且其先验预测性能与纯神经解码器相当。
联合模型在留出个体上复现了肿瘤体积分布和脱落模式。
基因条件化改善了个体级先验预测，在皮肤黑色素瘤和乳腺癌实验中均有效。
稳定选择识别出多个生物合理的基因指标，包括BRAF、NRAS、NF1和MDM2的变异。

产业意义：为药物研发中的肿瘤生长建模、脱落调整和生物标志物发现提供了可解释且灵活的深度学习替代方案，适用于小样本群体分析。

为什么重要

首次将EB-VAE扩展到联合纵向-事件时间建模，填补了深度概率模型在药理学计量学中处理信息性脱落的空白。
混合半机械解码器在保持预测精度的同时提供了机制参数的可解释性，有助于治疗效应评估。
高维基因协变量的集成使模型能同时利用组学数据和常规临床测量，推动精准医学个体化预测。

局限与不确定性

原文未明确讨论模型的局限性；待核实。可能的局限包括：混合解码器中嵌入的动力学方程依赖特定肿瘤生长假设；基因先验适配对罕见变异可能不够鲁棒；模型在更多肿瘤类型和真实大规模试验中的泛化性尚未验证。
稳定选择虽识别出已知基因，但其统计显著性阈值和假阳性控制细节待核实。

可用于图书/PPT/简报的角度

药物研发案例：展示如何用深度学习替代传统NLME，同时保持可解释性。
多模态数据融合：纵向+事件时间+基因组，三类数据如何在同一损失函数下联合优化。
可解释AI：混合半机械解码器是物理信息神经网络的代表，适合讲解“知识驱动+数据驱动”结合策略。
稳定选择：作为高维生物标志物筛选的方法学工具。

原始材料

论文标题：Multimodal Empirical Bayes Variational Autoencoders for Joint Longitudinal and Time-to-Event Modeling
arXiv ID：2607.13984v1
作者：Anders Sjöberg, Nils Olsson, Marcus Baaz, Mats Jirstrand
发布日期：2026-07-15
URL：https://arxiv.org/abs/2607.13984v1
摘要：见原始材料。